基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.     

基于表现型共享的多目标粒子群算法研究

在多目标粒子群算法中,粒子的飞行由自身的最优位置和指导粒子决定,如何定义适应度选出合适的指导粒子,指导搜索过程向全局Pareto最优区域飞行,并保持种群在最优前端的多样性是算法的关键问题.针对上述问题,构造了同时考虑粒子的Pareto占优情况和目标空间邻近密集度的表现型共享适应度函数,在此基础上提出一个基于表现型共享的多目标粒子群优化算法(MOPSO).为了验证算法的有效性,采用占优等级指标来分析近似解集的占优情况,并采用EPS、HYP和R2指标来衡量解集的分布情况.实验结果表明,算法具有较强的全局搜索能力,能在较小的计算代价下获得较好的Pareto前端近似.     

一种基于 Pareto 云隶属度的 MOPSO 算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）的收敛性和多样性,提出了一种基于 Pareto 云隶属度的 MOPSO 算法。利用 Logistic 混沌映射优化种群的初始空间分布并融合布谷鸟搜索（cuckoo search,CS）指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价 Pareto 最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集 ZDT 的实验结果表明,改进算法在收敛性和多样性方面较 MOPSO 和 NSGA-Ⅱ有一定优势。     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

多目标非支配邻近免疫粒子群算法

针对PSO算法求解多目标优化问题时易陷入局部最优解的问题,采用非支配邻近免疫算子来对粒子群的外部档案进行维护和变异操作,有效提高了Pareto解的多样性,从而提出一种多目标非支配邻近免疫粒子群算法(NICPSO)。采用动态加权法选择全局最优粒子,提高全局搜索能力;当粒子群趋于早熟时,采用优势邻域认知的个体极值更新策略;同时将学习因子表示为惯性权重的非线性函数,有效提高算法的统一性。通过ZDT1—ZDT4及ZDT6基准测试函数验证,该算法有效的提高了优化解的收敛性和多样性,与其他多目标进化算法和多目标粒子群优化算法相比,具有较好的性能。     

多目标优化问题的差分进化算法研究

为保持所求得的多目标优化问题Pareto最优解的多样性,提出了一种精英保留和根据目标函数值进行排序的多目标优化差分进化算法.对排序策略中目标函数的选择方式进行了分析和比较,并提出了一种确定进化过程中求得的精英解是否进入Pareto最优解集的阈值确定方法.用多个经典测试函数进行了实验分析,并与NSGA-Ⅱ算法进行了比较.实验结果表明,该方法收敛到问题的Pareto前沿效果良好,能有效保持所求得的Pareto最优解的多样性.     

一种自适应多样性保持的多目标粒子群算法

提出一种自适应多样性保持的多目标粒子群算法(ADMMOPSO)。该算法引入多样性保持阈值(λα)来控制非劣解的分布,当多样性指标高于阈值λα时,引入一种基于网格的全局最优粒子的选择策略增加种群向真实Pareto前沿收敛的概率,并提升非劣解的多样性。通过4个测试问题和3个测试标准,并与其他算法进行比较,结果表明ADMMOPSO获得了质量较高的非劣解。     

NSGA-II与改进粒子群算法相结合的储能优化配置

储能系统的选址定容在接入新能源的电力系统中具有重要意义,合理选择储能容量可以很好地平抑风电接入后的系统有功功率波动,同时减少能源浪费。本文提出了一种混合智能优化算法(Hybrid Intelligent Optimization Algorithm,HIOA),以电压偏差、负荷波动最小及最少储能配置容量为目标进行优化配置。该算法将多目标粒子群算法改进后(IMOPSO)与精英非支配排序算法(NSGA-II)结合,与常规多目标粒子群算法相比,大幅提高了算法的寻优性能,保证了Pareto 解的多样性和分布性。通过非支配排序求解获得Pareto 最优解集,采用逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)选出储能的最优接入方案。通过IEEE-33 节点测试系统的仿真实验验证了本文所提算法的准确性及有效性,在求解配电网储能选址定容问题中有很好的收敛性和全局寻优能力。     

基于双群体伪并行GA-DE多目标算法的动态环境经济调度

针对电力系统动态环境经济调度高纬度、强耦合、非线性、非凸等特点,提出一种双群体伪并行GA-DE(genetic algorithm-differential evolution)多目标算法.该算法基于外部精英存档和Pareto占优概念,利用差分进化算法和遗传算法构成双种群协同进化模式;采用平均熵及立方混沌映射初始化策略,增加种群多样性;根据相邻解的分布情况,改进Pareto解集的裁剪方式.与传统模型不同,将线损作为优化目标加入模型,采用动态松弛约束机制处理模型的复杂约束.经典10机组系统的验证结果表明:该算法在解决电力系统调度问题上具有可行性.     

集成化服务链多目标全局优化模型与算法

基于集成化服务链网络模型和候选服务资源评价指标,建立集成化服务链的多目标全局优化模型,并提出一种基于改进多目标遗传算法的集成化服务链多目标全局优化算法。算法采用基于距离的无参数种群多样性度量算子,在适应值分配、精英保持和选择操作中均进行了种群多样性控制,能在满足多约束条件下同时优化多个目标,得到一组满足决策者不同主观偏好的Pareto全局最优解集。仿真实验表明算法具有全局收敛性并具有较好的解的质量和分布,能有效求解集成化服务链多目标全局优化问题。     

一种新的微分进化文化算法

考虑到文化算法的双重性和微分进化在解决约束优化问题中的优异,提出用微分进化来模拟文化算法的群体空间,完成其微观方面的进化.根据群体空间调整文化算法的信念空间并设置相应的通讯协议——accept()和influence().最后,用典型实例对微分进化文化算法进行测试,结果显示出它在解决约束优化问题的优越性.     

基于Species机制的多目标遗传算法

多目标优化算法设计正在成为当前进化算法领域的一个研究热点.考虑将最初用于多峰优化的Species机制引入到多目标遗传算法中,通过借鉴现有多目标算法的相关思想,设计并提出了一种新的Species方法,包括基于Pareto最优性和拥挤度思想的Species种子确定策略及适应性的Species构造策略.一组标准多目标测试函数的仿真实验结果表明,提出的基于Species机制的多目标遗传算法表现出比经典的非支配排序遗传算法Ⅱ(NSGA Ⅱ)更好的性能.     

一类大规模系统的全局优化

讨论了可分非凸大规模系统的全局优化控制问题,提出一种三级递阶优化算法。该算法首先把原问题转化为可分的多目标优化问题,然后凸化非劣前沿,再从非劣解集中挑出原问题的全局最优解。建立了该算法的理论基础,证明了算法的收敛性。仿真结果表明该算法是有效的。     

可分非凸稳态大系统的全局递阶优化控制算法

讨论了可非凸稳态大系统的全局递阶优化控制问题,提出了一种三级递阶优化算法,该处首先把原问题转化为可分的多目标优化问题,然后凸化非劣前沿,再从非劣解集中挑出原问题的全局最优解,建立了算法的理论基础,证明了算法的收敛性,仿真结果表明,该算法是有效的。     

凸复合多目标优化问题的最优性条件

对于经济、工程、决策等领域中带有冲突目标的实际问题,多目标优化是一个有用的数学模型。已有学者对凸复合不等约束下一般凸复合我目标非光滑优化问题作了研究,且在零空间条件假设下导出了一阶最优性条件。在此基础上,进一步研究闭凸约束下凸复合多目标优化的最优性条件,根据非空内点条件假设,对凸复合多目标优化问题的弱有效解给出了新的一阶最优性充分条件。     

面向多目标优化问题的基于Species的遗传算法

为了能够快速准确地获得多目标优化问题的一组非支配解,提出了一种基于Species的多目标遗传算法.该算法采用Tchebycheff方法构建一定数量的子问题,进而基于Species机制构造多种群实现了对多个子问题的并行求解.这种采用多个体对一个最优解的搜索方式提高了算法的探索能力和开发能力.最后,对一组标准测试函数进行仿真实验,结果表明所提出的算法能够快速准确地获得一定数量的非支配解.     

Utopian preference mapping and the utopian preference method for group multiobjective optimization

The individual utopian preference and the group utopian preference on a set of alternatives, and the concept of the utopian preference mapping from the individual utopian preferences, to the group utopian preference, based on the utopian points of the corresponding multiobjective optimization models proposed by decision makers are introduced. Through studying the various fundamental properties of the utopian preference mapping, a method for solving group multiobjective optimization problems with multiple multiobjective optimization models is constructed.     

工业大系统递阶多目标优化的分解协调方法

研究了工业大系统递阶多目标优化问题,将其归纳为三种基本形式,并提出了三种相应的新算法。这些方法的基本思想是利用分解协调原理和多目标优化技术,将原问题化为一个二级优化问题。第一级求解一系列低维数的多目标子问题,第二级进行协调。这样大大节省了所需的计算机内存容量,加快了算法的收敛速度。这些算法还具有简单、实用等优点。数值例子证明了以上的结论。     

多目标集值优化理论及其进展

比较系统的介绍了多目标集成化这一学科，并从（１）标量化问题；（２）不带导数的最优性条件；（３）带导数的最优性条件－ＦｒｉｔｚＪｏｈｎ及Ｋｕｈｎ－Ｔｕｃｋｅｒ条件；（４）对偶问题；（５）非光滑分析法；（６）稳定性与灵敏度分析；（７）极大极小定理；（８）集到集映射的优化问题８个方面对这一领域的研究进展情况及所用方法做了较为系统的总结与研究，给出了几个尚未解决的问题。     

电力系统多目标无功优化研究

在传统无功优化模型的基础上,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大和电压水平最好的多目标无功优化模型.基于Pareto最优概念的改进多目标粒子群算法应用到多目标无功优化的求解中,对IEEE30节点统进行了仿真计算.优化结果表明,该模型在实现系统经济运行的同时也增强了电网的电压稳定同时求得的一组最优解能够为优化方法的决策提供更多的有效参考,具有实际意义.